本申请提供了一种视频生成方法、装置及电子设备，属于通信技术领域。该方法包括：接收用户对目标音频的第一输入；响应于所述第一输入，显示N个卡点模板标识，每个卡点模板标识指示目标卡点模板的一个卡点模板片段，所述目标卡点模板是基于所述目标音频生成的，N为正整数；接收用户对目标对象的第二输入；响应于所述第二输入，将所述目标对象与至少一个卡点模板标识指示的卡点模板片段合成，生成目标视频；其中，所述目标对象包括图像和视频中的至少一种。本申请上述方案，能够自定义卡点模板，并且用户可以通过自定义的卡点模板制作视频，操作简便，节省时间，提高制作卡点模板和制作视频的效率。